Walrus Memory

Что такое Walrus Memory?

Walrus Memory — это переносимый слой памяти для AI-агентов. Он предназначен для хранения и извлечения постоянного контекста между приложениями, сессиями и runtime-средами, чтобы агенты могли продолжать работу с тем же состоянием, а не начинать каждый раз заново.

Продукт ориентирован на разработчиков, создающих агентов и приложения, которым нужна общая, проверяемая память. В источнике показано использование и в Python, и в TypeScript, а также возможность подключить его к AI-клиентам вроде Claude Code, Cursor, Codex и Gemini CLI через команду настройки.

Ключевые возможности

• Постоянная память агента: сохраняет воспоминания, которые можно позже вызвать, чтобы агент мог продолжать работу с предыдущим контекстом, не теряя состояние в конце сессии.
• Переносимость между приложениями и runtime-средами: один и тот же слой памяти описан как пригодный для разных приложений и сред, что помогает при переходе рабочих процессов между инструментами или развертываниями.
• Поиск по запросу: агенты могут искать сохранённые воспоминания с помощью естественно-языкового запроса и получать совпадающие результаты с расстояниями, что поддерживает извлечение релевантного контекста.
• Поддержка Python и TypeScript: на странице есть пример кода и для memwal в Python, и для @mysten-incubation/memwal в TypeScript, что указывает на варианты интеграции для разработчиков приложений.
• Работает с AI-клиентами и инструментами для кодинга: в процессе настройки упоминаются Claude Code, Cursor, Codex, Gemini CLI и другие клиенты, что говорит о возможности подключения не только к собственным приложениям.
• Общая память для multi-agent workflows: продукт представлен как способ создавать рабочие процессы, где несколько агентов могут использовать одну и ту же память и координироваться вокруг общего состояния.
• Проверяемый доступ и контроль: на странице подчёркивается, что память постоянна и находится под контролем пользователя, а в meta description упоминаются программируемый контроль доступа и надёжная координация.

Как использовать Walrus Memory

Обычно настройка начинается с запуска предоставленной команды curl, чтобы получить инструкции по настройке для нужного AI-клиента или среды. Затем разработчики подключают агента или приложение с помощью соответствующего SDK или инструкций клиента, настраивают ключи, данные аккаунта и namespace, а также проверяют сервис через health check.

Далее рабочий процесс такой: записывать воспоминания с помощью remember или remember_and_wait, а затем вызывать recall с запросом, когда агенту нужен контекст. Примеры показывают, что продукт можно использовать и как внешний слой памяти для AI-клиента, и как библиотеку, встроенную напрямую в приложение.

Сценарии использования

• Непрерывность агента между сессиями: полезно, когда ассистент или агент должен помнить факты о пользователе или задаче после завершения исходной сессии.
• Координация нескольких агентов: помогает, когда разные агенты участвуют в одном рабочем процессе и им нужен доступ к общему состоянию, а не изолированной памяти сессии.
• Память, встроенная в приложение: подходит разработчикам, создающим AI-приложения на Python или TypeScript, которым нужен постоянный recall внутри самого продукта.
• Память для coding assistants: можно подключать к таким инструментам, как Claude Code, Cursor, Codex или Gemini CLI, когда в рабочем процессе кодинга нужен постоянный контекст.
• Workflow для агентов с аудитом: в источнике отмечены проверяемость и audit trails, что делает продукт актуальным для сценариев, где важно отслеживать, на что опирался агент.

FAQ

Walrus Memory хранит контекст между сессиями?
Да. На странице он описан как переносимый слой памяти, который сохраняет контекст между приложениями и сессиями.

Можно ли использовать его более чем на одном языке программирования?
Да. Показанные примеры — для Python и TypeScript.

Можно ли подключить его к существующим AI-клиентам?
Да. В источнике конкретно упоминаются Claude Code, Cursor, Codex, Gemini CLI и похожие клиенты.

Поддерживает ли он общую память для нескольких агентов?
Да. На странице прямо упоминаются multi-agent workflows с общей памятью.

Описан ли продукт как управляемый и проверяемый?
Да. В источнике сказано, что он постоянный, проверяемый и находится под контролем пользователя, а также упоминается программируемый контроль доступа.

Альтернативы

• Память на основе сессии внутри одного AI-приложения: это самый простой вариант, но обычно она сбрасывается по завершении сессии и не обеспечивает переносимый контекст между инструментами.
• Пользовательский слой памяти на базе базы данных: команды могут построить собственную систему хранения и извлечения, но обычно им приходится самостоятельно решать вопросы проектирования схемы, логики воспоминания и контроля доступа.
• Векторная база данных плюс конвейер извлечения: это может поддерживать семантическое воспоминание, но обычно это более широкая инфраструктурная настройка, а не специализированный продукт памяти для агентов.
• Фреймворки агентов со встроенными модулями памяти: некоторые фреймворки агентов включают функции памяти, но они часто привязаны к конкретной runtime-среде или рабочему процессу, а не представлены как переносимый слой памяти.